生物信息学算法之Python实现|Rosalind刷题笔记：001 碱基统计

前言

Rosalind is a platform for learning bioinformatics and programming through problem solving.

Rosalind 是一个通过解决实际生物学问题来学习生物信息和练习编程的平台，类似于 IT 行业的力扣（LeetCode）。工作学习之余，咱们也来刷一波吧。

说明

• Python 是我推荐做生信必学的一门脚本语言，因此所有算法都用 Python 实现。
• Rosalind 刷题需要有一定的 Python 编程基础。
• 最好在 Linux 系统下进行编写和测试 Python 脚本。
• 鉴于 Python 的哲学是：处理一件事最好的方法只有一种。因此我在解完题后，会参考别人已有的答案，如果解决方式更好，便会采用，同时会注明出处。这样做的目的是力求为读者呈现最佳的解题思路，不会为了原创而原创。
• 英文原问题会附在文章后面。

问题描述

字符串是 Python 中的一种基本数据类型，一个字符串由一组有序的字符组成。由于 DNA 的四种碱基通常用 A、T、C、G 四个字母表示，因此一段 DNA 序列可以通过一个字符串表示，如：ATGCTTCAGAAAGGTCTTACG

给定：一条长度至多 1000bp 的 DNA 字符序列。

应得：4 个以空格隔开的整数，分别表示 4 种碱基（A, C, G, T）在字符串中出现的次数。

示例数据

AGCTTTTCATTCTGACTGCAACGGGCAATATGTCTCTGTGTGGATTAAAAAAAGAGTGTCTGATAGCAGC

示例结果

20 12 17 21

Python 实现

Counting_DNA_Nucleotides.py

from collections import defaultdict;

def count_dna_nucleotides(dna):
    d = defaultdict(int)
    for c in dna.upper():
        d[c] += 1
    return "%d %d %d %d" % (d['A'], d['C'], d['G'], d['T'])


def test():
    dna = 'AGCTTTTCATTCTGACTGCAACGGGCAATATGTCTCTGTGTGGATTAAAAAAAGAGTGTCTGATAGCAGC'
    ret = count_dna_nucleotides(dna)
    return ret == "20 12 17 21"


if __name__ == '__main__':
    if not test():
        print("count_dna_nucleotides: Failed")

    with open('rosalind_dna.txt') as fh:
        dna = fh.read()
        ret = count_dna_nucleotides(dna)
        print(ret)

说明：

• 用一个字典保存四种碱基的计数
• 用 defaultdict 而不是普通的 dict，defaultdict 的好处是任意键都已经默认初始化了一个值，可以直接使用
• 一个小技巧是构造一个测试函数 test()，先用示例数据测试通过后再用从 Rosalind 下载的数据集进行计算答案，确保一次通过

怎么样，很简单吧，趁车速还不快，赶快上车吧。

Problem

A string is simply an ordered collection of symbols selected from some alphabet and formed into a word; the length of a string is the number of symbols that it contains.

An example of a length 21 DNA string (whose alphabet contains the symbols 'A', 'C', 'G', and 'T') is "ATGCTTCAGAAAGGTCTTACG."

Given: A DNA string of length at most 1000 nt.

Return: Four integers (separated by spaces) counting the respective number of times that the symbols 'A', 'C', 'G', and 'T' occur in .

Sample Dataset

AGCTTTTCATTCTGACTGCAACGGGCAATATGTCTCTGTGTGGATTAAAAAAAGAGTGTCTGATAGCAGC

Sample Output

20 12 17 21